Prediksi Nilai Harga Patokan Batu Bara (HPB) Untuk Merek Dagang Gunung Bayan I dengan Metode Extreme Learning Machine (ELM)

  

Vol. 2, No. 12, Desember 2018, hlm. 6527-6534 http://j-ptiik.ub.ac.id

Prediksi Nilai Harga Patokan Batu Bara (HPB) Untuk Merek Dagang

Gunung Bayan I dengan Metode Extreme Learning Machine (ELM)

  1

  2

  3 Evilia Nur Harsanti , Muhammad Tanzil Furqon , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: evilia.right@gmail.com, m.tanzil.furqon@ub.ac.id, adikara.putra@ub.ac.id

  

Abstrak

  Batu bara merupakan bahan bakar fosil yang sering dimanfaatkan oleh perusahaan industri sebagai sumber energi pembangkit tenaga listrik maupun sebagai bahan baku pembuatan baja. Batu bara didapatkan oleh perusahaan industri melalui suatu transaksi jual beli yang dilakukan dengan perusahaan pertambangan batu bara. Harga merupakan faktor utama dalam proses transaksi tersebut, karena perusahaan industri perlu merancang anggaran pengeluaran setiap bulan sebelum melakukan transaksi. Perancangan anggaran dilakukan untuk memaksimalkan uang perusahaan untuk memenuhi seluruh kebutuhan perusahaan. Oleh karena itu, prediksi harga batu bara akan sangat bermanfaaat untuk perusahaan industri yang akan membeli produk batu bara untuk mengetahui perkiraan harga di masa yang akan datang. Metode yang digunakan untuk melakukan proses prediksi adalah metode

  

Extreme Learning Machine (ELM). ELM memiliki keunggulan waktu komputasi yang cepat dan

  tingkat kesalahan yang kecil, sehingga ELM tidak memerlukan waktu yang lama dalam proses pembelajaran. Berdasarkan hasil penelitian, nilai Means Absolute Percentage Error (MAPE) terbaik adalah sebesar 3,926804% untuk proses training dan 7,360343% untuk proses testing.

  batu bara, harga, Extreme Learing Machine, Means Absolute Percentage Error Kata kunci:

Abstract

Coal is a fossil fuel that is often used by industrial companies as a source of energy and power as a

raw material for steelmaking. Coal is obtained by industrial companies through a sale and purchase

transactions conducted with coal mining companies. Price is a major factor in the transaction

process, because industrial companies need to design an expenditure budget every month before

making a transaction. Budget design is done to maximize the company's money to meet all the needs of

the company. Therefore, the prediction of coal price will be very beneficial for industrial companies

that will buy coal products to know the estimated price in the future. The method used to make the

prediction process is the method of Extreme Learning Machine (ELM). ELM has the advantage of fast

computing time and small error rate, so ELM does not require a long time in the learning process.

  

Based on the result of research, the best Means Absolute Percentage Error (MAPE) score is

3,926804% for training process and 7,360343% for testing process.

  Keywords: coal, price, Extreme Learing Machine, Means Absolute Percentage Error

  membeli dari perusahaan pertambangan batu

1. PENDAHULUAN bara. Sebelum melakukan proses transaksi jual

  beli, perusahaan industri harus menyusun Batu bara merupakan sumber energi utama anggaran pengeluaran mereka untuk yang sangat dibutuhkan oleh perusahaan disesuaikan dengan uang perusahaan yang industri. Perusahaan industri memanfaatkan dimiliki saat ini. Tujuannya adalah untuk batu bara sebagai sumber energi pembangkit memaksimalkan uang perusahaan agar dapat tenaga listrik, bahan kimia, keramik, serta memenuhi seluruh kebutuhan perusahaan, bahan baku dalam proses pembuatan baja. termasuk kebutuhan batu bara. Untuk mendapatkan batu bara, perusahaan

  Dikarenakan nilai perkiraan harga batu industri tidak melakukan penambangan sendiri bara merupakan suatu faktor utama yang untuk mendapatkan batu bara tersebut. Akan dibutuhkan dalam proses penyusunan anggaran tetapi, mereka mendapatkannya dengan

  Fakultas Ilmu Komputer Universitas Brawijaya

6527

• – kandungan air) / (100 – 8)
• – 15) * 0.4

• – 0.8) * 4

  layer . Informasi tersebut akan dikirimkan ke neuron dengan bobot input tertentu. Input

  Jaringan saraf tiruan merupakan sebuah permodelan dalam pemrosesan suatu informasi yang di adaptasi dari sistem kerja sel saraf pada biologi. Jaringan saraf tiruan bekerja dengan mengumpulkan informasi melalui lapisan input

  2.2 Jaringan Saraf Tiruan

  U = (Kandungan abu

  B = (Kandungan belerang

  HPB = Nilai harga patokan batu bara K = Nilai kalor batu bara / 6.322 A = (100

  HPB adalah harga patokan batu bara untuk masing-masing merek dagang yang didapatkan dengan melakukan standardisasi harga berdasarkan nilai HBA yang disesuaikan dengan kulaitas dari masing-masing merek batu bara. Ada banyak merek dagang batu bara seperti Gunung Bayan I, Melawan Coal, Envirocoal, Prima Coal, Pinang 6150, dan lainnya. HBA memiliki kesetaraan nilai kalor berupa 6.322 kkal/kg GAR, kandungan air 8%, kandungan belerang 0.8%, dan kandungan abu 15%. Sedangkan kandungan yang dimiliki oleh Gunung Bayan I adalah nilai kalor 7.000 kkal/kg GAR, kandungan air 10%, kandungan belerang 1%, dan kandungan abu 15%. Formula yang digunakan untuk menetukan nilai HPB ditunjukkan pada Persamaan 1.. = ( ∗ ∗ ) − ( + ) (1) Keterangan:

  harga batu bara internasional, sedangkan dua indeks berikutnya merupakan indeks harga batu bara domestik.

  export index, platts index , dan Indonesia coal index . Dua indeks pertama merupakan indeks

  Berdasarkan peraturan yang ditetapkan oleh Direktur Jendral Mineral dan Batu Bara No 480 tahun 2014, harga batu bara dibagi menjadi dua jenis, yaitu Harga Batu Bara Acuan (HBA) dan Harga Patokan Batu Bara (HPB). HBA adalah nilai rata-rata dari empat indeks yang terdiri dari new castle global coal index, new castle

  2.1 Harga Patokan Batu Bara

  2. LANDASAN KEPUSTAKAAN

  cepat. Oleh karena itu, penelitian ini mengangkat penerapan algoritme ELM untuk prediksi harga patokan batu bara dengan merek dagang Gunung Bayan I.

  error yang kecil, serta waktu komputasi yang

  Berdasarkan dari hasil uraian diatas, maka dapat disimpulkan bahwa ELM memiliki kinerja yang baik dengan menghasilkan nilai

  7. Nilai means square error (MSE) yang dihasilkan sebesar 0,0082 untuk proses training dan 0,0033 untuk proses testing dengan waktu komputasi selama 0,0269 detik. Hasil MSE terbaik juga didapatkan oleh penelitian yang dilakukan oleh Giusti, dkk (2017) untuk melakukan prediksi penjualan mie menggunakan fitur data berupa sisa penjualan mie sebelumnya. Nilai MSE yang dihasilkan adalah sebesar 0,0171.

  Penelitian prediksi menggunakan ELM dilakukan oleh Arifianti, dkk (2015) untuk peramalan indeks saham gabungan. Hasil terbaik didapatkan dengan menggunakan fungsi aktivasi sigmoid serta jumlah neuron sebanyak

  network (SLFN) yang memiliki kelebihan dalam learning speed.

  jaringan saraf tiruan yang bekerja dengan mencari pola dan hubungan antara data masukan dan data keluaran. ELM menerapkan konsep matriks single-hidden layer feedforward

  Machine (ELM). ELM merupakan bagian dari

  penelitian ini adalah Extreme Learning

  Machine learning yang digunakan dalam

  machine learning.

  tersebut menghasilkan nilai error antara 0,3% hingga 9,7% dengan menggunakan data harga 20 hari sebelumnya. Menurut Saluza (2016) proses prediksi dengan sifat data yang tidak statis seperti time series, akan menghasilkan hasil akurasi yang baik apabila menggunakan

  least-squares regression (2011). Penelitian

  Penelitian yang dilakukam oleh Bo Zhang dan Junhai Ma adalah melakukan prediksi harga batu bara dengan menggunakan teknik partial-

  tersebut, maka dilakukan proses prediksi harga batu bara dengan mempelajari pola data di masa lalu. Proses perhitungan harga patokan batu bara (HPB) saat ini mengacu pada harga batu bara acuan (HBA) yang kemudian di standardisasi untuk setiap merek batu bara. Dengan menggunakan proses tersebut, maka proses perhitungan harga Gunung Bayan I baru bisa dilakukan setelah nilai HBA dikeluarkan. Oleh karena itu, dibutuhkan suatu proses perhitungan harga batu bara khususnya untuk Gunung Bayan I yang dapat dilakukan dengan mempelajari harga dimasa lalu..

  tersebut kemudian di proses dengan suatu persamaan untuk menjumlahkan semua nilai bobot yang datang. Hasil penjumlahan tersebut kemudian dibandingkan dengan suatu nilai mendapatkan nilai output yang berada pada ambang melalui sebuah fungsi aktivasi. Apabila rentang 0 sampai 1, maka perlu dilakukan

  

input tersebut melewati suatu nilai ambang normalisasi data untuk mengubah rentang data

  tetentu, maka neuron tersebut akan aktif. Jika menjadi 0 sampai 1 (Siwi, 2016). Berikut tidak, maka neuron tersebut tidak akan merupakan proses normalisasi data diaktifkan. Apabila neuron sudah aktif, maka menggunakan Min-Max Normaliaztion yang akan mngirimkan output melalui bobot ditunjukkan pada Persamaan 2.

  neuron − output ke semua neuron. Hasil tersebut dapat ′

  (2) =

  −

  ditemui pada lapisan output layer. Bentuk Keterangan: arsitektur jaringan saraf tiruan ditunjukkan pada d’ = nilai dari hasil normalisasi Gambar 1.

  = nilai asli data

  d min = nilai minimum pada data set fitur X max = nilai maximum pada data set fitur X b.

  Proses Training Proses training dilakukan dengan menyiapkan data input (D) sebagai training set

  Gambar 1 Arsitektur Jaringan Saraf Tiruan dan target output (T) sebagai hasil prediksi.

  Sumber: (Giusti, et al., 2017)

  Tujuan dari proses training adalah untuk mendapatkan nilai output weight yang baik.

2.3 Extreme Learning Machine (ELM)

  Berikut merupakan langkah-langkah training pada ELM (Huang, et al., 2006).

  Extreme learning machine (ELM) 1.

  Melakukan inisialisasi terhadap input merupakan salah satu metode jaringan saraf

  weight dengan rentang [-1,1] dan bias

  tiruan yang memanfaatkan teori inverse matriks dengan rentang [0,1]. berupa teori Moore Penrose pseudo inverse 2.

  Menghitung matriks keluaran hidden layer untuk proses pembelajarannya. Bentuk dengan menggunakan persamaan 3. algoritme pembelajaran ELM sering disebut

• (3) dengan model pembelajaran single hidden layer = .

  feedforward network (SLFN) (Atmojo, et al.,

  Keterangan: 2013). ELM pertama kali diperkenalkan oleh _init

  H = matriks keluaran hidden neuron Huang (2004). X = matriks normalisasi data tanpa target

  ELM melakukan proses pembelajaran T

  W = matriks hasil transpose bobot input

  dengan proses penentuan parameter yang

  B = matriks bias

  dilakukan secara acak. Parameter tersebut _init Setelah didapatkan nilai H , maka adalah input weight dan hidden bias. Hal ini dilakukan proses perhitungan fungsi bertujuan untuk mempercepat proses aktivasi dengan menggunakan fungsi pembelajaran, serta menghasilkan performa

  sigmoid biner seperti pada Persamaan 4.

  generalisasi yang baik. Secara umum, arsitektur

  1 algoritme ELM ditunjukkan pada Gambar 2.

  (4) =

  − . + (1+ )

  Keterangan:

  H = matriks hasil fungsi aktivasi sigmoid binner exp = eksponensial data 3.

  Menghitung nilai output weight dengan menggunakan Persamaan 5.

• (5) ̂ = .

  Gambar 2 Arsitektur Extreme Learning Machine

  Keterangan:

  Sumber: (Giusti, et al., 2017)

  = matriks output weight Berikut merupakan langkah-langkah

• = matriks hasil perhitungan Moore- perhitungan dari algoritme ELM.

  Penrose Pseudo Inverse a.

  Normalisasi Data

  T = matriks target

  Proses normalisasi dalam penelitian ini dilakukan untuk menyamakan nilai rentang data dengan fungsi aktivasi dalam ELM. Untuk e.

  y i = Nilai prediksi t i = Nilai aktual Tabel 1 Kriteria Nilai MAPE

• = ( . )
• = matriks hasil perhitungan Moore-

  digunakan untuk melakukan evaluasi antara hasil peramalan dengan data aktual. Proses perhitungan dilakukan dengan menggunakan Persamaan 9 dimana kriteria nilai MAPE ditunjukkan pada Tabel 1 (Chang, et al., 2007).

  =

  1

  ∑ |

  −

  | 100

  =1

  (9) Keterangan:

  n

  = Jumlah data

  Nilai MAPE Kriteria < 10% Sangat Baik 10% - 20% Baik

  Mean Absolute Percentage Error (MAPE)

  20% - 50% Cukup >50% Buruk

  3. PERANCANGAN

  Proses perancangan sistem algoritme

  Extreme Learning Machine (ELM) dibuat untuk

  melakukan proses prediksi harga patokan batu bara dengan merek dagang Gunung Bayan I. Diagram alir perancangan ditunjukkan pada Gambar 4.

  Berdasarkan diagram alir pada Gambar 4, proses prediksi menggunakan ELM dimulai dengan menyiapkan data historis harga batu bara, jumlah fitur, jumlah neuron, serta jenis fungsi aktivasi yang digunakan. Sebelum memulai proses normalisasi data, data yang sudah disusun sesuai dengan jumlah fitur akan dibagi menjadi dua kelompok terlebih dahulu, yaitu menjadi data training dan data testing. Proses pembagian data training dan testing dilakukan dengan menggunakan teknik cross

  validation time series . Teknik tersebut

  merupakan sebuah metode statistik untuk mengevaluasi kinerja suatu model dengan memisahkan data menjadi dua subset, yaitu

  training dan testing. Jumlah k dalam proses cross validation adalah k=10. Proses cross validation time series dapat dilihat pada Gambar 3.

  Gambar 3 Cross Validation Time Series Sumber: (Fonseca-Delgado & Gomez-Gil, 2013)

  Mean Absolute Percentage Error

  d’ = nilai prediksi sebelum denormalisasi d = nilai hasil denormalisasi min = nilai minimum pada data set fitur X max = nilai maksimum pada data set fitur X

  Proses perhitungan matriks

  input weight, output weight dan bias yang

  Moore- Penrose Pseudo Inverse dilakukan dengan

  Persamaan 6.

  −1 .

  (6) Keterangan:

  Penrose Pseudo Inverse H = matriks hasil perhitungan fungsi

  aktivasi 4. Menghitung nilai Y prediksi sebagai hasil dari proses training dengan Persamaan 7.

  ̂ = . ̂ (7)

  Keterangan:

  Y = hasil prediksi c.

  Proses Testing Proses testing adalah proses untuk mengevaluasi metode ELM berdasarkan hasil dari proses training. Proses ini menggunakan

  didapatkan pada proses training. Berikut merupakan langkah-langkah dari proses testing (Huang, et al., 2006).

  Keterangan:

  1. Inisialisasi bias dan input weight yang didapatkan dari proses training

  2. Hitung matriks output hidden neuron (H ^{init )} dengan menggunakan persamaan seperti pada proses training 3. Hitung nilai

  Y prediksi dengan

  menggunakan persamaan seperti pada proses training

  4. Evaluasi hasil prediksi dengan menghitung nilai error menggunakan Mean Absolute

  Percentage Error (MAPE).

  d.

  Denormalisasi Data Proses denormalisasi dilakukan nilai data hasil prediksi menjadi nilai sebenarnya dengan menggunakan Persamaan 8.

  =

  ′

  ( − min) + (8)

  Proses pembelajaran menggunakan algoritme ELM diawali dengan melakukan proses normalisasi data. Data hasil normalisasi kemudian akan diproses untuk mencari nilai matriks keluaran hidden layer (H init ) dan diaktivasi dengan menggunakan fungsi sigmoid Maret 2009 80,75

  biner . Setelah mendapatkan hasil aktivasi, tahap

  April 2009 67,72 selanjutnya adalah menghitung nilai matriks Mei 2009 67,45 yang kemudian

  Moore-Penrose pseudo invers

  Juni 2009 68,58 dilanjutkan dengan menghitung nilai output Juli 2009 76,62

  weight . Nilai output weight yang dihasilkan

  Agustus 2009 76,82 dapat digunakan untuk mencari nilai prediksi September 2009 75,70 dari harga patokan batu bara.

  Oktober 2009 71,66 November 2009 74,13

  Desember 2009 80,11 Januari 2010 83,22

  Februari 2010 94,61 Maret 2010 93,25

  4. HASIL DAN PEMBAHASAN

  Penelitian ini melakukan proses prediksi nilai harga patokan batu bara dengan merek dagang Gunung Bayan I dengan menggunakan metode Extreme Learning Machine (ELM). Untuk menghasikan nilai prediksi yang optimal, maka dilakukan beberapa proses pengujian terhadap jumlah fitur data, jumlah neuron, serta fungsi aktivasi.

  4.1 Pengujian Jumlah Fitur Data

  Pengujian jumlah fitur dilakukan untuk mengetahui banyaknya jumlah fitur terbaik yang harus dibentuk. Jumlah fitur merepresentasikan banyaknya data historis harga batu bara dalam kurun waktu beberapa bulan terakhir yang akan digunakan sebagai masukan untuk melakukan proses prediksi harga di masa yang akan datang.

  Berdasarkan grafik pada Gambar 5, nilai MAPE terkecil didapatkan dengan jumlah fitur sebanyak 3, yaitu dengan MAPE training sebesar 3,955183% dan MAPE testing sebesar

  Gambar 4 Diagram Alir Algoritme Extreme

  7,303268%. Penentuan jumlah fitur dalam

  Learning Machine

  penelitian prediksi harga patokan batu bara akan berpengaruh terhadap berapa jangka

3.1. Data yang digunakan

  waktu harga di masa lalu yang mempengaruhi nilai harga di masa yang akan datang. Data yang digunakan dalam penelitian

  Pada Gambar 5, dapat dilihat bahwa jumlah adalah berupa data historis harga patokan batu fitur yang banyak tidak selalu menghasilkan bara untuk Gunung Bayan I dari bulan Januari hasil prediksi yang baik. Hal ini dikarenakan 2009 hingga September 2017. Data didapatkan dalam melakukan prediksi harga batu bara, dari laman resmi Ditjen Minerba, Kementrian harga masa lalu yang terlalu lama tidak dapat

  ESDM. Contoh data harga patokan batu bara mempengaruhi harga dimasa yang akan datang. untuk merek dagang Gunung Bayan I dapat

  Hal ini dibuktikan dengan meningkatnya nilai ditunjukkan pada Tabel 2.

  Tabel 2 Contoh Data Harga Patokan Batu Bara error apabila jumlah fitur yang digunakan dinaikkan.

  HPB Gunung Tanggal Bayan I (US$/ton)

  Januari 2009 84,65 Februari 2009 87,51 Gambar 5 Grafik Pengujian Jumlah Fitur Terhadap Nilai MAPE (%)

  4.2 Pengujian Jumlah Neuron Neuron merupakan jaringan saraf yang berfungsi untuk mentransformasikan informasi.

  Berdasarkan Gambar 7, nilai MAPE terbaik didapatkan dengan menggunakan fungsi aktivasi sigmoid biner dengan nilai MAPE untuk proses training sebesar 3,926804% dan untuk proses testing sebesar 7,360343%. Berdasarkan hasil pengujian tersebut, maka fungsi aktivasi yang paling cocok adalah menggunakan fungsi sigmoid biner, karena rentang data yang digunakan sebagai masukan sistem cocok dengan rentang output yang dihasilkan oleh fungsi sigmoid biner, yaitu antara 0 sampai 1.

  89,45 92,5729 3,373454 Maret

  Februari 2017

  2017 92,6 109,3678 15,33155

  109,35 91,41349 19,62129 Januari

  Desember 2016

  Tabel 3 Perbandingan Harga Aktual dan Hasil Prediksi Bulan Aktual (US$/ton) Prediksi (US$/ton) MAPE (%)

  Berdasarkan hasil pengujian yang dilakukan sebelumnya, didapatkan nilai parameter terbaik dari hasil pembelajaran dengan menggunakan algoritme ELM, yaitu jumlah fitur sebanyak 3, jumlah neuron sebanyak 7, dan jenis fungsi aktivasi terbaik adalah fungsi aktivasi sigmoid biner. Tabel 3 dan Gambar 8 menunjukkan perbandingan harga patokan batu bara aktual dengan harga hasil prediksi dengan menggunakan algoritme ELM.

  4.4 Perbandingan Harga Aktual dan Hasil Prediksi

  Gambar 7 Grafik Pengujian Fungsi Aktivasi Terhadap Nilai MAPE (%)

  Pengujian fungsi aktivasi dilakukan dengan membandingkan hasil MAPE dari tiga fungsi aktivasi, yaitu fungsi sigmoid biner, fungsi sigmoid bipolar , dan fungsi sin.

  Jumlah neuron menentukan banyaknya neuron yang harus diaktifkan untuk mendapatkan suatu hasil keluaran yang baik.

  4.3 Pengujian Fungsi Aktivasi

  menyebabkan, pola yang dikenali cukup terbatas dan menghasilkan nilai error yang tinggi ketika melakukan proses testing (Giusti, et al., 2017).

  neuron yang sedikit. Hal tersebut

  ketika proses training tidak mampu mengenali pola pembelajaran dengan baik akibat jumlah

  neuron yang digunakan sedikit terjadi kerena underfitting . Underfitting adalah suatu kejadian

  Nilai MAPE yang tinggi pada saat jumlah

  digunakan adalah sebanyak 7 neuron. Nilai rata-rata MAPE tersebut adalah sebesar 3,926804% untuk proses training dan sebesar 7,360343% untuk proses testing.

  testing didapatkan ketika jumlah neuron yang

  Berdasarkan Gambar 6 nilai rata-rata MAPE terbaik untuk setiap proses training dan

  Gambar 6 Grafik Pengujian Jumlah Neuron Terhadap Nilai MAPE (%)

  2017 87,91 89,23708 1,48714 April 2017 88,57 87,85416 0,814808 Mei 2017 89,98 88,70023 1,442806

  Juni 2017 80,94 90,02906 10,09569 Juli 2017 84,72 80,80874 4,84015

  Untuk memperbaiki kesalahan dan menurunkan nilai error, maka diharapkan pada penelitian selanjutnya dapat dikembangkan dengan melakukan penambahan jumlah historis data, penambahan parameter jumlah permintaan batu bara, melakukan optimasi terhadap proses pencarian nilai bobot dan bias seperti menggunakan metode optimasi algoritme genetika, serta melakukan pengujian fungsi aktivasi lain yang belum diuji coba pada penelitian ini.

  90,15 84,71047 6,421318 September

  2017 98,88 90,16908 9,660646

  Rata-rata MAPE 7,308886

  Agustus 2017

DAFTAR PUSTAKA

  Berdasarkan hasil pengujian implementasi algoritme Extreme Learning Machine (ELM) untuk prediksi harga patokan batu bara untuk merek dagang Gunung Bayan I, didapatkan kesimpulan bahwa algoritme ELM mampu memberikan hasil yang cukup baik dalam memprediksi harga batu bara di masa yang akan datang berdasarkan pembelajaran dari data masa lalu. Nilai MAPE terbaik dari hasil pengujian didapatkan nilai MAPE sebesar 3,926804% untuk proses training dan 7,360343% untuk proses testing, dengan menggunakan fitur sebanyak 3. Jumlah neuron sebanyak 7, serta menggunakan fungsi aktivasi

  An Assessment of Ten-Fold and Monte Carlo Cross Validation for Time Series Forecasting. Mexico City, Mexico,

  Extreme Learning Machine : A New Learning Scheme of Feedforward Neural Network. s.l., IEEE, pp. 985- 990.

  2972-2978. Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K., 2004.

  Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 2 No 8, pp.

  2017. Prediksi Penjualan Mi Menggunakan Metode Extreme Learning Machine (ELM) di Kober Mie Setan Cabang Soekarno Hatta. Jurnal

  Institute of Electrical and Electronics Engineers, pp. 215-220. Giusti, A., Widodo, A. W. & Adinugroho, S.,

  86-96. Fonseca-Delgado, R. & Gomez-Gil, P., 2013.

  sigmoid biner . Berdasarkan kriteria nilai MAPE yang ditunjukkan pada Tabel 1, rata-rata nilai MAPE yang < 10% masuk dalam kategori sangat baik, sehingga metode ELM dapat dinyatakan sangat baik untuk melakukan prediksi harga patokan batu bara dengan merek dagang Gunung Bayan I.

  The Development of a Weighted Evolving Fuzzy Neural Network for PCB Sales Forecasting. Elsevier, 32 (Expert System with Application), pp.

  Chang, P.-C., Wang, Y.-W. & Liu, C.-H., 2007.

  Gambar 8 Grafik Perbandingan Harga Aktual dan Hasil Prediksi

  Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Jakarta.

  Arifianty, A., M. & Irzal, M., 2015. Peramalan Indeks Harga Saham Gabungan (IHSG) dengan Metode Extreme Learning Machine (ELM). Jurusan Matematika,

  Nilai perbandingan harga aktual dan prediksi dari Desember 2016 hingga September 2017 menunjukkan nilai MAPE yang berbeda- beda setiap bulannya. Nilai MAPE terendah didapatkan pada bulan April 2017 sebesar 0.814808%, sedangkan nilai MAPE tertinggi didapatkan pada bulan Desember 2016 sebesar 19,62129%. Berdasarkan kriteria nilai MAPE yang ditunjukkan pada Tabel 2.2, hasil prediksi harga patokan batu bara tersebut masih tergolong baik karena nilai MAPE yang didapat < 20%.

  Atmojo, T. B., Pulungan, R. & Syahputra, H., 2013. Pengembangan Model Peramalan Permintaan Kebutuhan Reseller Menggunakan Extreme Learning Machine dalam Konteks Intelligent Warehouse Management System (IWMS). Seminar Nasional Informatika, pp. 258-263.

5. KESIMPULAN DAN SARAN

  Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K., 2006.

  Extreme Learning Machine: Theory and Applications. Neurocomputing 70, pp. 489-501. Saluza, I., 2016. Peramalan Saham

  Menggunakan Backpropagation

  s.l., dengan Hibridisasi Input. Universitas Sriwijaya, pp. 701-705. Siwi, I. P., 2016. Peramalan Produksi Gula

  Pasir Menggunakan Extreme Learning Machine Pada PG Candi Baru Sidoarjo.

  Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer.

  Zhang, B. & Ma, J., 2011. Coal Price Index Forecast by a New Partial Least Square Regression. Procedia Engineering, pp.

  5025-5029.